Что умеет Opus 5.5

Таблица Anthropic

Результаты Opus 5.5 получены на максимальном уровне усилия, на Terminal-Bench 4.0 — на xhigh. Тесты шли с включёнными защитными фильтрами. Когда фильтр срабатывал, кибер-задачи выполняла Opus 4.8, а задачи по биологии и разработке передовых моделей — Opus 5, и Anthropic признаёт, что это, вероятно, занижает баллы Opus 5.5. В AutomationBench, который проводит Zapier, подмены не было, и каждое срабатывание фильтра считалось провалом.

Привычных SWE-bench Verified, GPQA и AIME в материалах по Opus 5.5 нет: Anthropic перешла на собственный набор тестов, и подставлять цифры прошлых моделей из старых тестов некорректно.

Программирование

Сильнее всего модель в многошаговой работе в настоящем репозитории: провести изменение через большую кодовую базу, пока не пройдут тесты. На Terminal-Bench 4.0 у неё 66,4 % против 52,3 % у Opus 5, на FrontierCode — 54,4 %, на CursorBench — 57,8 %.

Важная деталь касается уровня по умолчанию. На medium модель набирает 54,6 % во FrontierCode, даже чуть больше, чем на максимуме, и 52,5 % в CursorBench. Оба результата выше, чем у Opus 5 в таблице анонса. По замерам Anthropic, medium у Opus 5.5 не уступает high у Opus 5, а на части тестов к этому уровню близок даже low.

Примеры из анонса: миграция кода на 680 тысяч строк заняла меньше суток; перевод HAProxy с C на Rust — 9,5 часа против 12 у Fable 5.1 при стоимости на 51 % ниже, и обе модели прошли почти все регрессионные тесты. Первые клиенты отмечают и проверку кода: ошибок находится больше, ложных тревог меньше, чем у Opus 5.

Для массовых агентных прогонов в терминале стоит присмотреться к Sonnet 5.5: она набрала 70,6 % в Terminal-Bench 4.0 и стоит вдвое меньше. Подробнее — на странице о выборе модели.

Игры, сайты и приложения

Отдельного теста на игры Anthropic не публикует, так что «Opus 5.5 сделал игру» — это навык программирования, а не особая функция. Ближе всего к теме цифры по коду выше и два примера из анонса. В задаче на ускорение загрузки веб-приложения Opus 5.5 добилась результата в 39 попытках из 40, а Opus 5 выигрывала меньше и при этом меняла поведение приложения. Конструктор приложений Lovable сообщает, что модели требуется на треть или вдвое меньше шагов.

Небольшую браузерную игру или одностраничный сайт удобно собирать прямо в чате claude.ai: такие вещи Claude делает артефактами — интерактивными страницами, которыми можно поделиться. Проект из многих файлов, со сборкой и тестами, лучше вести в Claude Code.

По внешнему виду у Anthropic есть практичный совет. Без указаний модель скатывается к нескольким привычным стилям, а общая просьба «сделай не как у ИИ» лишь меняет один шаблон на другой. Работает перечисление конкретных приёмов, которых быть не должно, например кремового фона или кнопок-таблеток, и правка списка по итогам первого варианта.

Уровень усилия зависит от размера. Для одной страницы хватает настроек по умолчанию, а xhigh документация советует для долгих агентных задач — от получаса работы и с бюджетом в миллионы токенов.

Документы, таблицы, отчёты

GDPval-AA проверяет реальные рабочие задачи по 44 профессиям; у Opus 5.5 1846 очков против 1735 у Fable 5.1 и 1708 у Opus 5. В тесте на отчёт по трудно находимому пресс-релизу о финансовых результатах планку качества прошли 16 отчётов Opus 5.5 из 18, у Fable 5.1 и Opus 5 — ни одного.

По словам Anthropic, модель заметно реже называет неверную цифру или не тот источник, увереннее строит финансовые модели и замечает мелочи в больших массивах: дату в длинной переписке, которая выпадает не на тот день недели, или график в презентации, не совпадающий с цифрами. Таблицы, слайды и документы требуют меньше правки перед отправкой. Компания Box сообщает, что ответы стали на 40 % короче без потери точности, а токенов ушло втрое меньше, чем у Opus 5.

Работа за компьютером и графики

OSWorld проверяет, как модель управляет программами по снимкам экрана. Opus 5.5 набрала 81,8 % в частичном зачёте против 74,0 % у Opus 5. На уровне по умолчанию она, по данным Anthropic, достигает той доли успешных задач, которую Opus 5 показывала только на гораздо более высоком уровне.

В чтении графиков у модели 89,0 % в Chartography с инструментами и 64,4 % без них. Anthropic пишет, что даже на самом низком уровне Opus 5.5 снимает значения с плотных диаграмм точнее, чем Opus 5 на самом высоком, и лучше понимает схемы, где смысл задаёт расположение: какие блоки соединяет стрелка, что изменилось между двумя версиями схемы, когда начинается и кончается встреча на снимке календаря.

Научные задачи

В Terminal-Bench-Science, где модель решает научные задачи в терминале, Opus 5.5 вдвое обошла Opus 5: 58,7 % против 29,0 %. В Humanity's Last Exam с инструментами — 67,7 %. По биологии Anthropic утверждает, что модель во многих областях не уступает Mythos 5.1 или опережает её, а в работе с Dyno Therapeutics виден рост в предсказании и дизайне молекул. Биологический классификатор при этом новый по сравнению с Opus 5, и часть запросов может быть отклонена; организациям из наук о жизни Anthropic предлагает отдельную программу проверки.

Независимые замеры

• Artificial Analysis. Индекс 58 на максимальном усилии — второе место из 52 моделей при медиане 42. Скорость вывода — 98 токенов в секунду. Обратная сторона: на прогон индекса ушло 220 миллионов выходных токенов при медиане 64 миллиона, а одна задача стоила около 10 долларов — 49-е место из 51 по цене.
• Terminal-Bench 4.0 у той же площадки. 59,6 % против 66,4 % в анонсе: площадка гоняет тест в своей обвязке, вендор — в своей.
• Арена. 1509 очков по срезу 22 октября 2026 года; на 27 октября это третье место в общем текстовом зачёте. В рейтинге стоит вариант с уровнем High, вариант Max не выставлялся.
• ARC-AGI-2. 91,7 % на максимальном режиме. В новом основном зачёте ARC-AGI-3 модели на 29 октября нет.

Из первых двух строк следует практический вывод: высокие баллы на max покупаются большим расходом токенов, а экономия, о которой говорит Anthropic, относится к настройкам по умолчанию. Как выглядят результаты Opus 5.5 рядом с моделями других компаний, можно посмотреть в сводке результатов нейросетей по открытым тестам.

Чего Opus 5.5 не делает

• Не создаёт изображения, звук и видео и не принимает аудио.
• Не запускается локально: веса не опубликованы.
• Не берётся за опасные задачи двойного назначения в кибербезопасности; поиск уязвимостей в исходном коде при этом разрешён. Большую часть кибер-запросов модель передаёт Opus 4.8.
• Может отказать, если попросить переписать в ответ её внутренние рассуждения: для этого у Anthropic есть отдельная категория отказа.

Первоисточники: анонс Opus 5.5, руководство по промптам для Opus 5.5, страница модели на Artificial Analysis.

Вопросы о возможностях